午方 AI 关注到，在大型语言模型微调领域，基于策略的采样技术正成为防止性能退化并增强问题解决能力的核心手段。相较于强制模型记忆标准答案的传统监督式微调，在线策略蒸馏与强化学习允许模型在自动生成的尝试路径中自主优化，从而有效规避错误累积并保留原有知识结构。实验数据显示，在'最小代码修改量'测试中，经策略指导的学生模型生成正确代码的成功率分别达到 80.0% 与 78.7%，均超越其对应的指导模型，证明了该方法能有效过滤不良指导模式。目前，DeepSeek-V4 与 GLM-5 均已部署基于策略的蒸馏技术以整合专家模型能力。其中，编程与数学等具有明确对错标准的领域更适宜采用强化学习，而依赖创造性思维或海量知识的任务则更适合策略蒸馏。未来微调算法的发展，预计将围绕构建兼顾蒸馏效率与强化学习客观性的策略训练框架展开。